基于端对端学习的智能补货方法、存储介质、系统及装置与流程

本发明涉及数据预测领域，具体是一种基于端对端学习的智能补货方法、存储介质、系统及装置。

背景技术：

预测是运营过程中的重要部分，通过研究过去、了解现在、预测未来，从而实现利益的最大化。

补货预测就是其中的一种，通过补测来作出合理的安排；与补货相关定量预测的技术中，通过智能预测销售量的方式来对商品进行进货和补货，但是现有的智能补货方式分为两个模块来实行，一般为销量预测和补货决策，销量预测和补货决策是两个贯序的独立模块，销量预测结果输入到补货模块中，优化得到建议补货量，作为最终模型输出。即先通过提取历史销量的特征来进行一个销量预测，通过销量预测的结果再进行补货决策；并且以此为依据对商品的库存进行补货。

但是，此类方式中存在以下一些问题：

1，两个模块的优化目标不一样：销量预测以最小化均方误差作为目标，补货以业务指标作为目标，比如：利润最大化或成本最小化；由于预测目标与最终决策目标不一致，导致预测给出的结果并不一定能得到补货的最优值，忽略了潜在可优化的空间，销量预测的结果误差也可能导致补货的不准确。

2，由于数据缺乏等原因导致的销量预测准确性不够，影响对最优建议补货量的决策。

技术实现要素：

为克服现有技术存在的问题，本发明提供一种基于端对端学习的智能补货方法。

所述方法包括以下步骤：步骤s1：获取销量特征模型x、真实销售模型y、建议补货前库存s、建议补货量z；步骤s2，提供一待计算的建议补货量z与总运营成本，建立真实销售模型y、建议补货量z与总运营成本之间的函数关系式；步骤s3，真实销量模型y中包括多个离散分布的真实销量需求d1,…,dk，每一个d都是基于销量特征模型x条件概率pθ下获得，其中θ为特征系数，以总运营成本作为损失函数，并将步骤s2中所述函数关系式代入所述损失函数展开，得到以建议补货量z和特征系数θ为变量的目标函数；及步骤s4，优化目标函数，运算获得最优建议补货量z^*。

优选地，所述步骤s2中，提供一待计算的建议补货量z与总运营成本，建立真实销售模型y、建议补货量z与总运营成本之间的函数关系式，具体包括以下步骤：步骤s201：所述总运营成本包括订购成本、库存成本及缺货成本；步骤s202：当补货量z大于真实销售模型y时，将其做差值得到库存量，当补货量z小于真实销售模型y时，将其做差值得到缺货量；步骤s203：获取订购成本、库存成本及缺货成本和建议补货量、库存量、缺货量之间的关系系数；步骤s204：根据系数建立真实销售模型y、建议补货量z与总运营成本之间的函数关系式。

优选地，所述步骤s3中，优化目标函数，运算获得最优建议补货量z，具体包括以下步骤：步骤s301、真实销量需求d1,…,dk的集合构成真实销量分布d，从真实销量d分布中随机取样本数据，作为输入值；及步骤s302、以总运营成本作为损失函数，并将步骤s2中所述函数关系式代入所述损失函数展开得到目标函数。

优选地，在上述步骤s1中进一步包括：步骤s101：获取所述历史销量数据，生成与所述历史销量数据相关的销售特征模型x。

5、优选地，所述步骤s101中，具体包括以下步骤：步骤s1011、确定所述历史销量数据中是否有缺失和/或异常；步骤s1012、通过预设的第一数值对缺失的数据进行填充处理，通过预设的第二数值对异常的数据进行替换处理；及步骤s1013、统计处理后的所述历史销售数据中所述商品的销售量，得到所述销售特征模型x。

优选地，所述步骤s4中包括以下步骤：步骤s401、将所述样本数据代入所述目标函数中，以补货后库存z作为输出，根据梯度下降公式不断更新损失函数和特征系数；及步骤s402、重复步骤s301和步骤s302，不断从真实销量分布中取样，直到损失函数输出最小值，此时即为最优建议补货量z^*。

优选地：进一步包括步骤s5：获取建议补货前库存s，将所述步骤s4获得的所述最优建议补货量z^*和获取建议补货前库存s相加，以得到最优建议补货后库存r^*。

为了解决上述技术问题，本发明提供又一技术方案如下：一种计算机可读介质，其特征在于，所述计算机可读介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项中所述的基于端对端学习的智能补货方法。

为了解决上述技术问题，本发明提供又一技术方案如下：一种智能补货系统，其特征在于：所述智能补货系统包括：数据获取模块：用于获取商品的历史销售数据；处理模块：生成与所述销售量相关的销售特征；补货建议模块：根据销量预测的特征为原始输入值；根据运营总成本建立数学模型；且以运营总成本作为损失函数；从而求解直接输出建议补货量。

为了解决上述技术问题，本发明提供又一技术方案如下：一种智能补货装置，其特征在于：包括储存装置，所述储存装置内部设有上述的一种基于端对端学习的智能补货系统。

与现有技术相比，本发明所提供的一种基于端对端学习的智能补货方法具有如下的有益效果：

1.对比于现有智能补货的定量预测技术中，在销量预测的优化目标结果数据较为复杂的情况下，需要提取大量的特征，导致运算维度增加，从而效率低下，如销量预测和补货模型独立的两阶段模型中，销量预测作为独立的第一阶段模型根据销量特征生成销量预测分布，通过训练得到系数，得到未来销量预测结果，并将结果直接输入到补货模块再优化得到建议补货后库存；但是对于两阶段模型，销量预测的结果并不一定能得到最优的补货量，因此其补货推荐的精准度不高。

本发明不同于以往的智能补货方法，将销量预测和补货模块两个独立的算法模块，整合成一个端对端模块，直接输出补货后的结果，通过缩减人工预处理和后续处理，尽可能使得从原始输入到最终输出，给模型更多数据自动调节的空间，增加模型的整体契合度；从而提高了算法效率，扩大了优化空间；同时对比黑箱模型，降低因数据缺乏导致或者数据随机分布的销量预测不准确带来的补货决策误差，提高了数据利用率。

2、进一步通过订购成本、库存成本及缺货成本来运算总运营成本，且同时考虑到线性关系和非线性关系，该公式相对其他训练方式比较简易，增加了运算效率。

3.进一步通过不断从真实销量d分布中随机取样本数据，作为输入值，不断更新特征系数θ作为运算模型，直到损失函数输出最小值，从而得到最优建议补货量z^*，相比于其他多阶次的模型，本发明提供的一种基于端对端学习的智能补货方法相对运算更精准。

4、进一步可以通过建议补货前库存s，将获得的所述最优建议补货量z^*和获取建议补货前库存s相加，以得到最优建议补货后库存r^*，从而实现输入直接输出建议补货后库存r^*，因此用户可直接通过该方法获取补货后库存r^*的值，进一步实现了端对端的一步到输出原则，对数据的利用率进一步提高。

【附图说明】

图1是本发明的第一实施例提供的一种基于端对端学习的智能补货方法和以往方法比对示意图；

图2是本发明提供的一种基于端对端学习的智能补货方法的流程图；

图3是本发明第一实施例提供的一种基于端对端学习的智能补货方法中图2所示流程图的变形例流程图；

图4是本发明第一实施例提供的一种基于端对端学习的智能补货方法图3中步骤s101的具体流程图；

图5是本发明第一实施例提供的一种基于端对端学习的智能补货方法中图2中步骤s2的具体流程图；

图6是本发明第一实施例提供的一种基于端对端学习的智能补货方法中图2中步骤s3的具体流程图；

图7是本发明第一实施例提供的一种基于端对端学习的智能补货方法中图2中步骤s4的具体流程图；

图8是本发明第一实施例提供的一种基于端对端学习的智能补货方法中图7中步骤s401的具体流程图；

图9是本发明第二实施例提供的一种基于端对端学习的智能补货系统的模块示意图。

附图说明：10、输入模块；20、数据获取模块；30、处理模块；40、补货建议模块；50、输出模块。

【具体实施方式】

为了使本发明的目的，技术方案及优点更加清楚明白，以下结合附图及实施实例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

为解决现有的商品智能补货预测方式准确性较差的问题，本发明实施例提供了基于端对端学习基础上的一种补货方法：该方法可实现智能补货的预测运算。

为了更好的阐述该系统的方法，以下将本申请的实施例中涉及到的技术术语的含义解释如下：

端到端：端到端是一种解决问题的思路，与之对应的是多步骤解决问题，也就是将一个问题拆分为多个步骤分步解决，而端到端是由输入端的数据直接得到输出端的结果；但是一般情况下，更常见的是介于两者之间的解决思路，先把任务拆解为简单的两步解决。示例性的如：人脸识别系统，不是由检测到的图片直接得到结果，而是第一步将检测到的图片中的人脸部分放大居中，第二步通过识别得到该员工的某些特征，再通过特征计算，通过对比得到人脸的数据。

缺货成本：指因未能储存足够存货满足生产经营需要而造成的经济损失，如存货短缺引起的停工损失、少生产产品而损失的边际利润、因延期交货而支付的罚金以及在商誉上的损失等。缺货成本取决于保险储备量，保险储备量越高，缺货的可能性越小，缺货成本越低；反之，缺货的可能性越大，缺货成本越高。

库存成本：即为保有和管理库存而需承担的费用开支。具体可分为运行成本、机会成本和风险成本三个方面；运行成本主要包括了仓储成本，自营型的仓库体现为建造仓库的固定投资的摊销费用，外包型的仓库则体现为仓库的租金，库存越高，仓储面积越大，仓储成本也越高，此外，运行成本还包括仓库中的设备投资成本和日常运作费用如水、电、人工等。机会成本主要是库存所占用的资金所能带来的机会成本，库存作为企业的资产是通过占用企业的流动资金而获得的，而任何企业都有其一定的资金投资回报率，即库存占用的资金如果不用于库存而去经营其它投资所能获得的平均收益，这一比例因行业的不同和企业的不同而有所不同，一般为10％到16％之间。

订货成本：是企业为补充库存而订货时发生的各种费用之和。通常包括订货手续费、物资运输装卸费、验收入库费、采购人员差旅费以及通信费等。特点是费用仅与订货次数有关，而与订货批量不发生直接的联系

本发明的第一实施例提供一种基于端对端学习的智能补货方法，以下对本发明第一实施例进行详细介绍：

请参阅图1，主要利用端对端模型的思路，可以省去了在每一个模块所做的数据标注或者特征提取，将传统补货框架中销量预测和补货两个步骤合并成一个模型。

请参阅图2，该端对端的智能补货的训练方法包括如下步骤：

步骤s1：获取销量特征模型x、真实销售模型y、建议补货前库存s、建议补货量z；

步骤s2，提供一待计算的建议补货量z与总运营成本，建立真实销售模型y、建议补货量z与总运营成本之间的函数关系式；

步骤s3，真实销量模型y中包括多个离散分布的真实销量需求d1,…,dk，每一个d都是基于销量特征模型x条件概率pθ下获得，其中θ为特征系数，以总运营成本作为损失函数，并将步骤s2中所述函数关系式代入所述损失函数展开，得到以建议补货量z和特征系数θ为变量的目标函数；及

步骤s4，优化目标函数，运算获得最优建议补货量z^*。

可以理解，本发明提供一种基于端对端学习的智能补货方法，其“端到端”指的是输入是上述步骤s1中的原始数据，输出是最后步骤s4的结果，对比于以往的多阶模型，输入端不是直接的原始数据，而是在原始数据中提取的特征，示例性的如：在图像问题上，因为图像像素数太多，数据维度高，会产生维度灾难，所以原来一个思路是手工提取图像的一些关键特征，这实际就是就一个降维的过程；导致运算不精准而且运算量大，因此本发明利用获取销量特征模型x、真实销售模型y、建议补货前库存s、建议补货量z之间建立与总运营成本之间关系，从而通过训练直接得到最优建议补货量z^*。

请参阅图2，进一步地，在上述步骤s1中其中具体的步骤包括：步骤s101：获取所述历史销量数据，生成与所述历史销量数据相关的销量特征模型x。

可以理解，步骤s1中所述获取销量特征模型x，销量特征模型x具体可以从历史销售数据中直接提取得到，也可以对该历史销售数据中的相关数据进行统计处理得到：如对各顾客的销售清单中某一种商品的日销售量，基于日销售量统计月度销售量、年度销售量等；获得数据后，要对数据进行统计以生成销量特征模型x。

请参阅图3，其步骤s101从历史销售数据中获取销量特征模型x的具体步骤包括:

步骤s1011、确定所述历史销量数据中是否有缺失和/或异常；

步骤s1012、通过预设的第一数值对缺失的数据进行填充处理，通过预设的第二数值对异常的数据进行替换处理；

步骤s1013、统计处理后的所述历史销售数据中所述商品的销售量，得到所述商品的销售特征；

可以理解，“历史销售数据”具体可根据实际环境涉及的数据设定，如历史销售数据可以从日常的商品销售记录、库存记录、账目等资料中获得：历史销售数据通常可以包含商品的属性信息、销售量、销售价格、库存等信息。

可以理解步骤s1011～s1013的过程中，可以理解为三个小的子步骤，即：收集数据、数据探索和数据预处理，“收集数据”，要尽可能多的获得数据，同时，还要理解数据背后的含义，“数据探索”，其目的是为了更好地发现数据的规律，对应用建模提供一个指导方案，“数据预处理”是因为在进行销量特征模型x的生成时，需要参照大量的历史销售数据，但是由于时间周期过长，或者其他一些原因，如历史销售数据发生丢失或者遗漏，导致历史销售数据质量较差，因此需要通过步骤s1012去处理一下缺失的部分，方法大体有两类：直接删除法和插补法。直接删除法是将缺失率较高的特征或样本数据进行删除，而插补法是通过已有的数据对缺失值进行填补，从而得到一个完整的历史销售数据，最后生成相关的销量特征模型x；

至于生成相关的销量特征模型x，在实际实现时，可为以下方式：

1、可以获取当前销售商品、以及当前商品对应的类型、以及全品类的商品的历史销售数据：比如当前统计货物为椅子，则将其归为家用家具类型，在统计椅子的数据同时，将椅子所属的家具类数据一并收集。

2、包括获取当前形势下用户所关心的商品，或者销售量波动较大的商品的历史销售数据，如不同季节性下的雨伞，其销售量随季节变换必定会产生波动。

可以理解：处理完的历史销售数据中包含有商品的各类信息，如历史销售量，那么为了提高模型训练的样本信息的有效性，需要从历史销售数据中获得与商品的历史销售量相关的信息，如销售记录、销售价格、库存变化等，并统计得到销量特征模型x，从而剔除商品厂址、生产日期、配料等与销售量相关性较小的信息。

当获取到上述完整的销售特征模型x后，进一步进入步骤s2；

请参阅图3，其中步骤s2中，提供一待计算的建议补货量z与总运营成本，建立真实销售模型y、建议补货量z与总运营成本之间的函数关系式具体步骤包括：

步骤s201：所述总运营成本包括订购成本、库存成本及缺货成本；

步骤s202：当补货量z大于真实销售模型y时，将其做差值得到库存量，当补货量z小于真实销售模型y时，将其做差值得到缺货量；

步骤s203：获取订购成本、库存成本及缺货成本和建议补货量、库存量、缺货量之间的关系系数；

步骤s204：根据系数建立真实销售模型y、建议补货量z与总运营成本之间的函数关系式。

为更好的阐述上述步骤，具体实施方式如下：

首先获取线性订货成本系数c0，二次式订货成本系数q0、线性库存成本系数ch，二次式库存成本系数qh、线性缺货成本系数cb，二次式缺货成本系数qb。

可以理解，在存货经济订货批量决策中，订货成本与储存成本的关系是此消彼长的；因此每此进货和销售大概率存在库存量和缺货量，上述线型关系的系数c0、ch、cb和二次式关系成本系数q0、qh、qb，均为通过以往库存量和缺货量和成本之间的关系统计而来，比如可为通过订货手续费、物资运输装卸费、验收入库费、采购人员差旅费以及通信费统计中获得某一系数，当然，具体费用可根据环境所需而定，不限定于上述的几条，示例性的为：如在没有其他因素影响的情况下，保管费、仓库人员的工资和福利费用，以及拆卸或搬运费，仓库损失等等，均和其库存量存在一定的线型比例关系，如库存量为10，搬运费则可为10t，t即可看作呈线型关系的系数，同理对应折旧费，以及机会成本，会随着时间和数量的推移，呈现非线性的增长。

得到相关系数c0、ch、cb以及q0、qh、qb后，通过真实销售模型y、建议补货量z建议和运营总成本的关联公式：其中运营总成本＝订购成本+库存成本+缺货成本，具体计算公式如下：

订购成本为：

库存成本为：(当补货数量多于销量时z>y)；

缺货成本为：(当补货数量少于销量时z<y)；

可以理解：将以上各成本公式加得到成本总和，即为总运营成本公式(1)：

对上述公式进行如下解释：

各成本式中下标的+号代表对求得的值取正，可以理解为绝对值，其中当补货数量多于销量时，即z>y，此时建议补货量z要多于对应的真实销量模型y，货物过剩需要货存，此时z-y代表库存量，可以理解为没有卖出去的量；当补货后数量少于销量时，即z<y，此时货物过少从而导致缺货，此时y-z代表缺货量；

订购成本、库存成本、缺货成本均和库存量和缺货量存在线型关系和非线性关系，即为上述的系数c0、ch、cb以及q0、qh、qb；其中各成本之间的线性关系均可表示为相应系数乘以对应的库存量/缺货量,即c0z、ch(z-y)+、cb(y-z)+，同理各成本之间非线型关系均可表示为相应系数乘以二次式的库存量/缺货量，即为

建立真实销售模型y、建议补货量z与总运营成本之间的函数关系式完成后，需要对其中的z值，即建议补货量z进行求解，则进入步骤s3；

请结合图5以及图6，具体步骤如下：

步骤s301、真实销量需求d1,…,dk的集合构成真实销量分布d，从真实销量d分布中随机取样本数据，作为输入值；

步骤s302、以总运营成本作为损失函数，并将步骤s2中所述函数关系式代入所述损失函数展开得到目标函数。

为更好的阐述上述步骤，对应具体的实施方式为：进一步推导出机器学习算法中关键的损失函数，损失函数为fstock(y,z)在需求概率分布下的期望值。我们进一步假设真实销量需求是离散的，用d1,…,dk来表示。每一个d都是销量特征模型x的条件概率pθ下取得(pθ)i≡p(y＝di|x；θ)，其中i为每次从真实销量需求d1,…,dk中取样次数的变量值，θ为特征系数，销量特征模型x经过特征系数θ的运算以得到建议补货量z(x,θ)；其中损失函数(2)可表示为成本总和的期望值：

l(θ)＝ey～p(y|x；θ)[fstock(y,z)](2)

然后：将(pθ)i代入到(2)并展开损失函数(2)，得到以决策变量z和特征系数θ为变量的目标函数，进而转化成为带约束的非线性优化问题，从而得到目标函数(3)。

subjecttod-z≤zb,z-d≤zh,z,zh,zb≥0(3)

可以理解，zb,zh为在真实销量d下的缺货量和库存量。

请参阅图8，得到目标函数(3)后，该步骤对应随后进入步骤s4，该部分为对目标函数求最优解的过程，其中步骤s4具体包括步骤如下：

步骤s401、将所述样本数据代入所述目标函数中，以补货后库存z作为输出，根据梯度下降公式不断更新损失函数和特征系数；及

步骤s402、重复步骤s301和步骤s302，不断从真实销量分布中取样，直到损失函数输出最小值，此时即为最优建议补货量z^*。

为更好的阐述上述步骤，具体实施时，求解步骤如下：

第一步a：首先，从真实销量分布d中取样di,和初始化的特征系数θ一起作为输入值；

第二步b：带入损失函数并以建议补货量z为输出,根据求导得出的梯度下降公式更新损失函数；

第三步c：重复以上步骤，从真实销量分布中抽样di，用更新后的特征系数θ计算得到z^*(x,θ)，当损失函数取最小值时，得最优建议补货量z^*和此时对应的特征系数θ。

其中上述步骤s401中所述“梯度下降公式”可通过以下步骤获得；

步骤s4011：对所述损失函数用雅可比矩阵表示,以得到kkt不等式；

步骤s4012：根据kkt不等式展开得到传导方程组；

步骤s4013：通过优化二次方程氏模型算法求解传导方程组，得到梯度下降公式；

由以下方法得到：

首先：损失函数的雅可比矩阵则可表示为：

其中不等式ey～p(y|x；θ)[g(y,z)]＝gz-h

其次：根据kkt不等式，最优解必须满足以下方程组：

ey～p(y|x；θ)[g(y,z)]≤0

λ≥0

λ*ey～p(y|x；θ)[g(y,z)]＝0

然后：根据传导方程组(5)，对左边的变量z求二阶导数再乘以再直接对θ求导得到雅可比矩阵(6)，

最后：通过(6)，我们可以算出而l(θ)通过链式传导可写成：

其中等式右边第二项可由(6)推出，右边第三项是概率分布函数对参数求导，可根据实际公式求导得出。等式的信息已足够利用深度学习中的反向传播法计算,即上述梯度下降公式结果采用优化二次方程氏模型算法可得

可以理解，根据以决策目标为最小化运营总成本，输入值为销量特征模型x，直接通过端对端模型输出最优值的建议补货库存z^*，和以往的补货系统不同，无需标注或者收集特征，维度过大的情况下，容易引起运算复杂或者精确度下降，本发明只需零售商销售某一个商品，观测历史一段时间的销量决定该商品的补货量，推断出特征销量x，即可直接输出建议补货库存量z^*。

一些变形实施例中，在步骤s402进行变形或者进一步包括步骤s5，

步骤s5：获取建议补货前库存s，将得到的最优建议补货量z^*和建议补货前库存s相加，以得到最优建议补货后库存r^*；这样的优势为可以直接输出最优建议补货后库存r^*，从而进一步实现了端对端的优势。

另一些变形实施例中，也可在步骤s1时，同样获取建议补货前库存s，以及就建议补货后库存r，将建议补货量z用建议补货后库存r和建议补货前库存s的差值来表示，可以理解，即z＝(r-s)，用(r-s)代替z参与上述实施例一所述步骤s1～步骤s4运算，通过步骤s4直接输出建议补货后库存r^*，从而减少了计算的步骤，增加了运算的精准度，同理也实现了端对端的优势。

请参阅图9，为了解决上述技术问题，本发明提供又一技术方案如下，本发明的第二实施例提供一种基于端对端学习的智能补货系统，所述基于端对端学习的智能补货系统利用如本发明第一实施例所提供基于端对端学习的智能补货方法的整体步骤或者单一步骤的组合，可以应用于服务器、计算机、相机、手机、平板电脑等多种终端设备中，该技术可采用硬件和软件实现；其包括：数据获取模块20、处理模块30、补货建议模块40；

其数据获取模块20用于获取商品的历史销售数据；处理模块30用于生成与所述销售量相关的销售特征；补货建议模块40用于根据销量预测的特征为原始输入值；根据运营总成本建立数学模型；且以运营总成本作为损失函数；从而求解直接输出建议补货量。

各个模块的具体步骤，可执行前面本发明第一实施例所提供基于端对端学习的智能补货方法，具体实现可参见实施例一，在此不再赘述。

进一步地：当该系统运用于无人售货的场景时，其可包括存储模块，当进行销售或者补货时，存储模块可自动存储历史数据，如不同类别商品的销售量、供给量、补货数量，从而将其销售和补货的情况记录在存储模块中，以供数据获取模块直接获取。

进一步地，当该系统运用于管理系统或者信息系统时，如erp企业管理系统，或者各大卖场或者公司的持续补货系统时，可包括输入模块10和输出模块50，输入模块10用于输入已知数据，即用户可通过人工输入数据，在该智能补货系统的运行下，输出数值供用户参考，更进一步地，输出模块50输出的数值可包括：建议补货量，补货风险值等，人工输入时，也可直接根据外界因素进行调控，如天气特征、季节特征、人员调动关系特征、时间属性等。

为了解决上述技术问题，本发明提供又一技术方案如下，本发明的第三实施例提供了一种基于端对端学习的智能补货装置，其装置包括有实施例二所述的一种智能补货系统，该智能补货系统让该装置可实现智能补货的功能，其他软件部分和硬件设施不予限定，如无人货柜中可设置有图像识别模块和计数模块，每次销售出去某一类型的货物，数据获取模块则会获取到该类货物数量的减少值，从而通过计数模块记录在数据统计中，其在该一种智能补货系统的扩展，均应包含本发明的保护范围之内。

可以理解，基于端对端学习的智能补货装置可用于无人仓库中的自动堆砌补货装置、无人餐厅供应装置等。

本发明的第四实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理设备运行时执行如上述实施例一整体的方法，或者执行其中的步骤。

与现有技术相比，本发明所提供的一种基于端对端学习的智能补货方法具有如下的有益效果：

1.对比于现有智能补货的定量预测技术中，在销量预测的优化目标结果数据较为复杂的情况下，需要提取大量的特征，导致运算维度增加，从而效率低下，如销量预测和补货模型独立的两阶段模型中，销量预测作为独立的第一阶段模型根据销量特征生成销量预测分布，通过训练得到系数，得到未来销量预测结果，并将结果直接输入到补货模块再优化得到建议补货后库存；但是对于两阶段模型，销量预测的结果并不一定能得到最优的补货量，因此其补货推荐的精准度不高。

本发明不同于以往的智能补货方法，将销量预测和补货模块两个独立的算法模块，整合成一个端对端模块，直接输出补货后的结果，通过缩减人工预处理和后续处理，尽可能使得从原始输入到最终输出，给模型更多数据自动调节的空间，增加模型的整体契合度；从而提高了算法效率，扩大了优化空间；同时对比黑箱模型，降低因数据缺乏导致或者数据随机分布的销量预测不准确带来的补货决策误差，提高了数据利用率。

2、进一步通过订购成本、库存成本及缺货成本来运算总运营成本，且同时考虑到线性关系和非线性关系，该公式相对其他训练方式比较简易，增加了运算效率。

3.进一步通过不断从真实销量d分布中随机取样本数据，作为输入值，不断更新特征系数θ作为运算模型，直到损失函数输出最小值，从而得到最优建议补货量z^*，相比于其他多阶次的模型，本发明提供的一种基于端对端学习的智能补货方法相对运算更精准。

4、进一步可以通过建议补货前库存s，将获得的所述最优建议补货量z^*和获取建议补货前库存s相加，以得到最优建议补货后库存r^*，从而实现输入直接输出建议补货后库存r^*，因此用户可直接通过该方法获取补货后库存r^*的值，进一步实现了端对端的一步到输出原则，对数据的利用率进一步提高。

以上仅为本发明较佳实施例而已，并不用以限制本发明，凡在本发明原则之内所作的任何修改，等同替换和改进等均应包含本发明的保护范围之内。